3 sleutels tot succes met RAG-enabled GenAI voor KYC/AML

In een recente blogpost, “Uitdagingen met KYC/AML? GenAI met RAG levert resultaten op,” hebben we gekeken hoe financiële instellingen gebruik kunnen maken van generatieve AI (GenAI) die is verbeterd met retrieval-augmented generation (RAG) om de resultaten van uw klant (KYC)/anti-witwaspraktijken (AML) te verbeteren. Met steeds geavanceerdere slechte actoren en recente boetes in de miljarden dollars, hebben financiële bedrijven elk voordeel nodig. 

Data, modellen en efficiëntie zijn essentiële aandachtsgebieden

Deze aanpak levert grote winsten op het gebied van efficiëntie, nauwkeurigheid en aanpasbaarheid, maar er zijn cruciale overwegingen waarmee rekening moet worden gehouden om het potentieel van GenAI met RAG te maximaliseren en tegelijkertijd risico’s en beperkingen te beperken. In grote lijnen zijn er drie gebieden die speciale aandacht vereisen: 

Data

Beveiliging en kwaliteit zijn de twee richtlijnen als het gaat om data en GenAI met RAG. 

Voor de veiligheid is het absoluut essentieel dat gevoelige, bedrijfseigen data zoals persoonlijke informatie of bedrijfseigen analytische output tegen alle kosten worden beschermd. Robuuste veiligheidsmaatregelen voor datamanagement, -recovery en -generatie zijn essentieel. 

Met betrekking tot de kwaliteit moet voorzichtig worden omgegaan met zowel het opnemen van gegevens als het omgaan met tegenstrijdige of inconsistente informatie. In het eerste geval zijn de best mogelijke data een absolute vereiste als ruwe input. In het tweede geval zijn processen nodig om gevallen te identificeren en te beperken waarin RAG-data in strijd zijn met of anderszins inconsistent zijn met de data die zijn gebruikt om het oorspronkelijke GenAI-model op te leiden.

Modellen

Net als bij data is voorzichtigheid nodig als het gaat om de modellen die GenAI met RAG aansturen. Modellen moeten worden aangepast om de beste match met de taak te bieden en consistent worden gecontroleerd en bijgewerkt om relevantie en nauwkeurigheid te behouden. De integratie van RAG in een LLM is misschien ook niet altijd eenvoudig, waardoor er werk nodig is in de pre-trainings- en fine-tuningfasen van modelontwikkeling. Ten slotte vermindert de toevoeging van RAG uitdagingen zoals hallucinatie of andere onnauwkeurigheden, maar elimineert deze niet, waardoor het testen van modellen en het monitoren van modellen des te belangrijker wordt.

Efficiëntie

Er zijn drie manieren om te kijken naar efficiëntie als het gaat om GenAI met RAG: gegevensinvoer, rekenwerkzaamheid en interactie met gebruikers. Met gegevensinvoer is er een compromis tussen RAG-data en de generatieve mogelijkheden van de LLM. Te veel en er kunnen problemen zijn met het te strak plaatsen of zelfs een “echokamer”-effect, terwijl te weinig kan leiden tot suboptimale resultaten. Op het gebied van rekenefficiëntie kan het erg duur zijn om niet-geoptimaliseerde processen uit te voeren, vooral met zeer grote datasets. Zoals Gartner benadrukt, is het van cruciaal belang om het juiste type opslagimplementatie te kiezen voor uw GenAI-gebruikssituatie. Efficiënte indexering, ophaalalgoritmen en caching helpen de gewenste outputs in evenwicht te brengen met de kosten. Tot slot zijn feedback en verduidelijkingsverzoeken van gebruikers uiterst waardevol en moeten ze in overweging worden genomen bij het ontwikkelen van operationele procedures.

Afbeelding 1: Architecturaal overzicht van opvraag-augmented generatie.

Het meeste uit GenAI halen met RAG voor KYC/AML met Pure Storage

Het omarmen van GenAI met RAG is een belangrijke stap voorwaarts in het aanpakken van de complexiteit van KYC/AML-activiteiten. Hoewel er uitdagingen bestaan, biedt het vermogen om voortdurend te leren en te verbeteren het potentieel om een schaalbare en dynamische oplossing te bouwen die evergreen is. Financiële instellingen die met succes door deze overwegingen navigeren, zullen goed gepositioneerd zijn om hun bedrijf te beschermen tegen financiële fraude en reputatieschade en te voldoen aan wettelijke vereisten.

Financiële ondernemingen hebben een betrouwbaar en high-performance dataplatform nodig om het potentieel van GenAI voor KYC/AML-activiteiten te benutten. Pure Storage biedt de domeinkennis samen met een gevalideerde GenAI RAG-oplossing voor financiële diensten met de nodige schaalbaarheid, flexibiliteit en data-recovery met lage latency om het volledige scala aan GenAI-mogelijkheden te maximaliseren. Met Pure Storage als partner kunnen instellingen ervoor zorgen dat ze het maximale halen uit GenAI-mogelijkheden die door RAG worden verbeterd.

Download voor meer informatie over GenAI met RAG voor KYC/AML de nieuwste whitepaper van Pure Storage: “GenAI gebruiken om KYC/AML te verbeteren en financiële fraude te bestrijden.”